Projekt

Zurück zur Übersicht

Deep Learning for Shape Optimization

Gesuchsteller/in Baqué Pierre
Nummer 180270
Förderungsinstrument Bridge - Proof of Concept
Forschungseinrichtung CVLAB School of Computer and Communication Sciences, EPFL
Hochschule EPF Lausanne - EPFL
Hauptdisziplin Informatik
Beginn/Ende 01.08.2018 - 31.07.2019
Bewilligter Betrag 129'760.00
Alle Daten anzeigen

Alle Disziplinen (2)

Disziplin
Informatik
Fluiddynamik

Keywords (4)

Optimization; Deep Learning; Computer Assisted Engineering; Computational Fluid Dynamics

Lay Summary (Französisch)

Lead
L'objectif de ce projet est de développer les applications industrielles de notre technologie d'optimisation de forme par réseaux de Neurone à Convolution. Cette méthode récemment conçue par le Computer Vision Laboratory permet d'optimiser des formes soumises à des contraintes physiques, beaucoup plus rapidement et efficacement que les approches existantes.Nos futurs partenaires industriels ont déjà manifesté un intérêt pour l'utilisation de notre technologie, et ce Bridge PoC visera à valider la faisabilité d'une utilisation sur les problèmes concrets ayant un fort intérêt économique.
Lay summary
L'optimisation de formes aérodynamiques est un problème difficile ayant de nombreuses application industrielles. Cependant, les méthodes existantes sont très coûteuses en temps de calcul et, bien souvent, un ingénieur ne pourra essayer que quelques formes simples dessinées à la main et faisant appel à son intuition.
Dans nos récents travaux, nous avons introduit une nouvelle méthode permettant d'optimiser des formes complexes rapidement et avec grande précision. La clé de notre approche est d'entraîner une nouveau type de réseaux de neurones à convolutions, qui considèrent des Mesh tridimensionnels plutôt que des images. Ce nouvel outils nous permet d'évaluer de nouvelles formes beaucoup plus rapidement que si nous devions utiliser un simulateur et donc d'explorer l'espace des formes possibles beaucoup plus efficacement. 

Notre méthode a déjà été appliquée avec succès à l'optimisation d'objets dans le cadre de concours étudiants. L'objectif de ce travail sera de valider son applicabilité dans un cadre industriel. En particulier, nous chercherons à introduire nos outils dans la chaine de conception de nos partenaires industriels qui appartiennent à des industries clés.
Direktlink auf Lay Summary Letzte Aktualisierung: 12.03.2018

Verantw. Gesuchsteller/in und weitere Gesuchstellende

Mitarbeitende

Abstract

This CTI Bridge PoC grant will be used to prepare the incorporation of a startup company focusing on disrupting the Computer Assisted Engineering (CAE) and Computational Fluid Dynamics (CFD) markets (respectively $5.8B and $1.8B by 2021) with Artificial Intelligence and Deep Learning. The applicant’s research has led to the development of a technology that enables shape analysis that are several order of magnitude faster and significantly more robust than existing tools like XFoil or Ansys Fluent. The technology is also able to automatically optimise shapes, while today’s approaches to optimisation solely rely on expert human know-how. The technology has been protected by a PCT patent application, and is being tested on several real-world projects, including shape optimization of an hydrofoil a bicycle and an Hyperloop vehicle . The grant will be used for validating the market need and focusing software development through pilots in the aerospace (Dassault), automotive (Peugeot) and renewable energies (Siemens) industries. The applicant plans to incorporate the company and license the technology from EPFL by the end of the CTI Bridge PoC project. The project will be carried out from August 2018 to July 2019 in Pascal Fua’s EPFL Computer Vision Lab (CVLAB), which has already produced two successful spinoff companies, Pix4D (acquired by Parrot) and PlayfulVision (acquired by SecondSpectrum).
-